[发明专利]一种HE病理图像细胞核分割方法及系统

权利要求书

1.一种HE病理图像细胞核分割方法，其特征在于，包括下述步骤：

图像预处理：将HE病理图像划分标签类别；

对病理图像进行颜色归一化，并按照预设的像素尺寸切分为统一大小的图像块；

构建细胞核分割模型，将切分后的图像块输入细胞核分割模型中进行细胞核分割训练，将标签类别输入细胞核分割模型作为拟合对象；

所述细胞核分割模型采用双U型网络的结构，包括第一U型网络和第二U型网络，所述第一U型网络和第二U型网络的输入分别为RGB图像和HSV图像，所述第一U型网络用于预测细胞核边界，第二U型网络用于预测细胞核区域部分，所述第一U型网络和第二U型网络在每个尺度上的模块均为密集连接卷积模块；

所述第一U型网络和第二U型网络之间设有信息融合模块，所述信息融合模块将两个U型网络在相邻尺度的特征进行信息融合；

所述信息融合模块将两个U型网络在相邻尺度的特征进行信息融合，具体步骤包括：先对两个U型网络在每个尺度的输出进行3*3的卷积，然后将特征图拼接起来，再对拼接的特征图进行3*3的卷积，最后用两个3*3的卷积分别对卷积后的拼接图进行卷积，再分别拼接到两个U型网络之中；

每个U型网络的同一个尺度的下采样阶段和上采样阶段设有跳跃连接；

基于模型不变元学习的机制训练细胞核分割模型，利用数据的验证集对细胞核分割模型进行验证，根据验证准确度判断训练进度；

所述基于模型不变元学习的机制训练细胞核分割模型，具体步骤包括：

将输入图像划分为训练集和测试集，其中又将训练集根据元学习子任务划分为多组图像子集，从每组图像子集中选取第一预设数量的图像样本作为元学习子任务的训练集，抽出第二预设数量的图像样本作为元学习子任务的验证集；

在元训练样本的训练过程中加入关于元测试样本损失的梯度信息；

将细胞核分割模型输出的预测结果按照切分时的顺序重新拼接，得到最终的病理图像多组织细胞核分割的结果图。

2.根据权利要求1所述的HE病理图像细胞核分割方法，其特征在于，所述标签类别包括：细胞核内部区域，另一个类别是细胞核边界，最后一个是细胞核外部区域。

3.根据权利要求1所述的HE病理图像细胞核分割方法，其特征在于，所述对病理图像进行颜色归一化，具体步骤包括：

对病理图像进行非负矩阵分解，计算出最大的两个特征向量，将数据投影到两个特征向量组成的平面，计算每个点与第一个向量的角度，计算权重乘到原始数据当中，将图像乘以颜色解卷积参考矩阵，得到归一化图像。

4.根据权利要求1所述的HE病理图像细胞核分割方法，其特征在于，所述密集连接卷积模块由32、64、96、128个特征图连接而成，将128个特征图通过1*1的卷积降到32个特征图，输入到U型网络下一个尺度的卷积操作中。

5.根据权利要求4所述HE病理图像细胞核分割方法，其特征在于，所述特征图在输入到下一个尺度的卷积操作前，先进行步长为2的卷积或者逆卷积操作，使得特征图的尺寸大小符合下一阶段卷积操作的要求。

6.一种HE病理图像细胞核分割系统，其特征在于，包括：图像预处理模块、颜色归一化模块、图像切分模块、细胞核分割模型构建模块、细胞核分割模型训练模块和图像拼接输出模块；

所述图像预处理模块用于进行图像预处理，将HE病理图像划分标签类别；

所述颜色归一化模块用于对病理图像进行颜色归一化；

所述图像切分模块用于按照预设的像素尺寸将颜色归一化后的病理图像切分为统一大小的图像块；

所述细胞核分割模型构建模块用于构建细胞核分割模型；

所述细胞核分割模型采用双U型网络的结构，包括第一U型网络和第二U型网络，所述第一U型网络和第二U型网络的输入分别为RGB图像和HSV图像，所述第一U型网络用于预测细胞核边界，第二U型网络用于预测细胞核区域部分，所述第一U型网络和第二U型网络在每个尺度上的模块均为密集连接卷积模块；

所述第一U型网络和第二U型网络之间设有信息融合模块，所述信息融合模块将两个U型网络在相邻尺度的特征进行信息融合；

所述信息融合模块将两个U型网络在相邻尺度的特征进行信息融合，具体步骤包括：先对两个U型网络在每个尺度的输出进行3*3的卷积，然后将特征图拼接起来，再对拼接的特征图进行3*3的卷积，最后用两个3*3的卷积分别对卷积后的拼接图进行卷积，再分别拼接到两个U型网络之中；

每个U型网络的同一个尺度的下采样阶段和上采样阶段设有跳跃连接；

所述细胞核分割模型训练模块用于训练细胞核分割模型，将切分后的图像块输入细胞核分割模型中进行细胞核分割训练，将标签类别输入细胞核分割模型作为拟合对象，基于模型不变元学习的机制训练细胞核分割模型，利用数据的验证集对细胞核分割模型进行验证，根据验证准确度判断训练进度；

所述基于模型不变元学习的机制训练细胞核分割模型，具体步骤包括：

将输入图像划分为训练集和测试集，其中又将训练集根据元学习子任务划分为多组图像子集，从每组图像子集中选取第一预设数量的图像样本作为元学习子任务的训练集，抽出第二预设数量的图像样本作为元学习子任务的验证集；

在元训练样本的训练过程中加入关于元测试样本损失的梯度信息；

所述图像拼接输出模块用于将细胞核分割模型输出的预测结果按照切分时的顺序重新拼接，得到最终的病理图像多组织细胞核分割的结果图。